网络编码已被证明可以优化交换系统传输效率,然而不被传统交换系统的结构所支持。基于流行的Crossbar结构,采用模块化设计方法,实现了基于网络编码交换系统仿真平台—NCSPS(Network-Cod ing based S imu lation P latform for Sw itches...
详细信息
网络编码已被证明可以优化交换系统传输效率,然而不被传统交换系统的结构所支持。基于流行的Crossbar结构,采用模块化设计方法,实现了基于网络编码交换系统仿真平台—NCSPS(Network-Cod ing based S imu lation P latform for Sw itches)。该平台实现了输入、输出、交换单元、调度策略、数据生成和数据统计各模块的"松耦合",达到了业务流、交换结构和调度策略的分离,具有一定的配置灵活性和扩展性。用户通过不同的参数设置,实现各种仿真环境和条件。最后通过对传统交换和编码交换的仿真实验,展示了编码交换的良好性能,验证了仿真平台的合理性。
生物医学研究人员经常搜索大量文献,寻找生物实体之间的作用关系,如:药物-药物、化合物-蛋白质等作用关系。随着医学文献的激增和深度学习的发展,自动从文献中提取生物实体作用关系已经显示出巨大潜力。以往使用深度学习的方法取得了一定效果,但存在以下问题:模型采用静态词向量,不能区分一词多义;未考虑单词的权重,对长句子提取效果较差;通过多种模型集成来改善样本不平衡问题,模型较为复杂。为此提出一种基于残差结构的深层多通道CNN模型(MCCNN),通过BERT(Bidirectional Encoder Representation from Transformers)产生动态词向量来提高词汇语义表示的准确性,利用多头注意力捕获长句子的依赖并通过设计Ranking损失函数代替多模型集成来降低样本不平衡的影响。在多个数据集上进行测试,结果表明提出的方法具有较好的效果。
暂无评论